MétaCan
Menu
Retour à la cohorte
Enregistrement W4285077194 · doi:10.1039/d2sm00259k

Line optical tweezers as controllable micromachines: techniques and emerging trends

2022· review· en· W4285077194 sur OpenAlexafffund
Yinan Shen, David A. Weitz, Nancy R. Forde, Marjan Shayegan

Notice bibliographique

RevueSoft Matter · 2022
Typereview
Langueen
DomainePhysics and Astronomy
ThématiqueOrbital Angular Momentum in Optics
Établissements canadiensSimon Fraser University
Organismes subventionnairesFonds de recherche du Québec – Nature et technologiesNatural Sciences and Engineering Research Council of Canada
Mots-clésOptical tweezersNanotechnologyPhotonicsTweezersSortingMaterials scienceOpticsPhysicsOptoelectronicsComputer science

Résumé

récupéré en direct d'OpenAlex

In the past three decades, the technology of optical tweezers has made significant contributions in various scientific areas, including optics, photonics, and nanosciences. Breakthroughs include manipulating particles in both static and dynamic ways, particle sorting, and constructing controllable micromachines. Advances in shaping and controlling the laser beam profile enable control over the position and location of the trap, which has many possible applications. A line optical tweezer (LOT) can be created by rapidly moving a spot optical tweezer using a tool such as a galvanometer mirror or an acousto-optic modulator. By manipulating the intensity profile along the beam line to be asymmetric or non-uniform, the technique can be adapted to various specific applications. Among the many exciting applications of line optical tweezers, in this work, we discuss in detail applications of LOT, including probing colloidal interactions, transporting and sorting of colloidal microspheres, self-propelled motions, trapping anisotropic particles, exploring colloidal interactions at fluid-fluid interfaces, and building optical thermal ratchets. We further discuss prospective applications in each of these areas of soft matter, including polymeric and biological soft materials.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,993
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0110,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,013
Tête enseignante GPT0,302
Écart entre enseignants0,289 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSoft MatterMême sujetOrbital Angular Momentum in OpticsTravaux en français237 207